Research hotspots and trends analysis of traditional Chinese medicine nursing for stroke based on co-word analysis
Notice bibliographique
Résumé
Objective To explore the research hotspots and trends of traditional Chinese medicine (TCM) nursing for stroke. Methods Literatures on TCM nursing for stroke were retrieved in Chinese National Knowledge Infrastructure (CNKI) , WanFang Data, VIP, China Biological Medicine (CBM) from building database to September 2018. The data management tools included BICOMB 2.0, SPSS 22.0 and UCINET 6.0. The research hotspots and trends of TCM nursing for stroke were analyzed with the methods of co-word analysis, clustering analysis and social network analysis. Results A total of 7 253 literatures were included involving 17 236 keywords and 30 high-frequency keywords. Clustering analysis showed that research hotspots of TCM nursing for stroke focused on the application of auricular buried beans in symptomatic nursing for stroke, negative emotion management of stroke, body function treatment after stroke and its research on model and TCM rehabilitation appropriate technology of stroke sequela. Social network analysis showed that scope and quantity of research hotspots of TCM nursing for stroke expanded year by year, exploration field was excavated and deepened constantly and inheritance emerged gradually. Conclusions Co-word, clustering and social network analysis objectively reflects the research hotspots and trends of TCM nursing for stroke which could provide the information support for researchers and clinical workers and provide a reference for research selected topic as well as clinical practice. Key words: Stroke; Traditional Chinese medicine nursing; Research hotspots; Co-word analysis; Social network analysis
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».